物理AI实验室 // 第 1.5 集 // 一页纸

数据从哪来？

遥操作、人类视频、合成，三条来路

三个要点

遥操作：人遥控机器人做示范（常用主从两只臂），动作最干净，但又慢又贵；SO-101 抓放数据集有 50 段、每段 2 路相机、30 帧每秒（O），跨机构还能拼成大数据集（Open X-Embodiment，22 种机器人、527 种技能，R）。
人类视频：直接看人干活，量大得多（EgoScale 用了 20,854 小时第一视角视频，R），但人手不是机器手（embodiment gap），还得对齐、标注。
合成：在仿真里用少量真示范放大出海量（MimicGen 约 200 条→5 万多条、18 个任务，R），灵活便宜，但要防它失真；数据不光要多，还要够杂。

O	50 段	SO-101 抓放遥操作示范数据集的段数，每段 2 路相机、30 帧每秒、共 11939 帧（LeRobot）
R	22 种	22 种机器人的数据拼进同一个数据集（21 家机构、527 种技能）
R	20,854 小时	带动作标注的第一视角人类视频，用来预训练机器人（论文称比此前同类大 20 倍以上，约合连续 2.4 年）
R	5 万多条	用约 200 条人类示范自动生成的示范数（覆盖 18 个任务，仿真中，论文）